ＨＴＫ（Ｖ３．１）基础指南（原文：HTK(v.3.1):Basic Tutorial）Nicolas Moreau/02.02.2002陶阳译taoyangxp@江西.南昌2009.6.1目录0HTK简介 (1)1Yes/No识别系统 (1)１．１搭建步骤 (1)１．２工作环境构建 (1)１．３标准ＨＴＫ工具选项 (1)2创建训练集 (1)２．１录音 (2)２．２标注信号 (2)２．３文件重命名 (2)3声学分析 (2)３．１配置参数 (3)３．２源／目标规范 (3)4HMM定义 (4)5HMM训练 (6)５．１初始化 (6)５．２训练 (8)6任务定义 (8)６．１语法和字典 (8)６．２网络 (9)7识别 (10)8性能测试 (12)８．１主标签文件 (12)８．２错误率 (13)0HTK简介HTK是指隐马尔可夫模型工具箱（Hidden Markov Model Toolkit），由剑桥大学工程系（CUED）研发而成。
该工具箱的目的是搭建使用隐马尔可夫模型（HMMs）。
HTK主要用于语音识别研究（但是HMMs应用范围很广，还有很多其它可能的应用…）HTK由一系列库模块构成，包括C语言形式的可用工具，可自由下载，包括一个完整的文档说明（大约300页），见/。
1Yes/No识别系统本指南中，我们将基于HTK工具集建立一个2-单词识别系统，词汇集是{Yes，No}。
这是可以设计出来的最基本的自动语音识别（ASR）系统。
１．１搭建步骤构建语音识别系统的主要步骤如下：（1）训练库的创建：词汇集中的每个元素进行多次录制，且与相应词汇做好标签；（2）声学分析：训练波形数据转换为一系列系数向量；（3）模型定义：为总词汇集中的每个元素定义一个HMM原型；（4）模型训练：使用训练数据对每个HMM模型进行初始化、训练；（5）任务定义：识别系统的语法（什么可被识别）的定义；（6）未知输入信号识别；（7）评估：识别系统的性能可通过测试数据进行评估。
１．２工作环境构建建议创建如下的目录结构：（1）data/：存储训练和测试数据（语音信号、标签等等），包括2个子目录，data/train/ Array和data/test/，用来区分识别系统的训练数据和评估数据；（2）analysis/：存储声学分析步骤的文件；建立以下目录（3）training/：存储初始化和训练步骤的相关文件；（4）model/：存储识别系统的模型（HMMs）的相关文件；（5）def/：存储任务定义的相关文件；（6）test/：存储测试相关文件。
１．３标准ＨＴＫ工具选项一些标准选项对每个HTK工具都是通用的。
我们将使用以下一些选项：（1）-A：显示命令行参数；（2）-D：显示配置设置；（3）-T1：显示算法动作的相关信息。
完整的选项列表请参见：HTK文档，第50页（第四章操作环境）。
2创建训练集Array图1录制标签训练数据首先，我们录制Yes和No两个语音信号，作为要训练的单词模型（训练集）。
然后为每个语音信号打上标签，也就是说，关联一个文本来描述语音内容。
录制和打标签，可以使用HSLab HTK工具来做（也可使用其它工具）。
创建和标注语音文件，使用下面的工具命令：HSLab any_name.sig回车之后，该工具的图形界面呈现在面前。
２．１录音按下Rec按钮，开始录制语音信号，Stop停止录音。
缓冲文件any_name_0.sig自动创建在当前目录下(如果录制一个新的文件，第二个缓冲文件命名为any_name_1.sig)。
说明：-这里的信号文件（.sig）以一种特定的HTK格式存在。
当然，也可能使用其它音频格式（如.wav等），参见HTK文档第68页（第五章音频输入/输出）。
-缺省采样率是16kHz。
２．２标注信号要为语音波形打标签，首先按下Mark按钮，然后选择你要打标签的区域。
当区域标注之后，按下Labelas，键入标签名称，然后按下回车Enter。
本指南中，我们仅录制孤立词（Yes或者No），通过短暂停顿隔开。
对于每个信号，我们标注三个连续的区域：开始停顿（标记为sil）、录音单词（标记为yes或no）、结束停顿（标记为sil）。
这三个区域不能重叠（即使它们之间间隙很小）。
这三个标注完成之后，按下Save按钮：标签文件any_name_b被创建完成。
这个时候，你就可以按下Quit退出按钮了。
说明：.lab文件是一个简单的文本文件。
它包括每个标注的类型信息，每行对应每个标签：41712509229375sil922937515043750yes1504375020430625sil其中数字代表每个标签的开始和结束采样点。
这样的文件可以进行手工修改（比如调整标签的开始或结束点），甚至创建（并不一定使用HSLab工具）。
２．３文件重命名录音/标签之后，你可以依据自己的方便，对.sig和.lab文件进行重命名（如yes01.sig和b）。
本指南中，两个词的每个进行10个录音应该足够了。
信号文件存储在data/train/sig/目录（训练集）里面，标签存储在data/train/lab/目录（训练标签集）。
关于HSLab图形界面的更多详细信息参见HTK文档，第237页（参考小节，HSLab）。
3声学分析图2训练数据转化语音识别工具不能直接处理波形语音，需要通过更简洁有效的方法来表示波形语音。
这一步就是声学分析：-信号分成连续的帧，一般每帧长度介于20ms和40ms之间，段与段交织在一起；-每帧与窗口函数相乘（如Hamming函数）；-从每个窗口帧中提取声学系数向量（给出一种该帧的频谱属性的简洁表示）。
HCopy HTK工具可用来转换原始波形文件，生成一系列声学向量，命令为：HCopy–A–D–C analysis.conf–S targetlist.txtanalysis.conf是配置文件，设置声学系数提取参数。
targetlist.txt用于指定用于处理的每个波形文件的名称和存放位置，以及目标系数文件的名称和存放位置。
３．１配置参数配置文件是一个文本文件（#用来注释）。
本指南中，使用的配置文件如下：##Example of an acoustical analysis configuration file#SOURCEFORMAT=HTK#Gives the format of the speech filesTARGETKIND=MFCC_0_D_A#Identifier of the coefficients to use#Unit=0.1micro-second:WINDOWSIZE=250000.0#=25ms=length of a time frameTARGETRATE=100000.0#=10ms=frame periodicityNUMCEPS=12#Number of MFCC coeffs(here from c1to c12)USEHAMMING=T#Use of Hamming function for windowing framesPREEMCOEF=0.97#Pre-emphasis coefficientNUMCHANS=26#Number of filterbank channelsCEPLIFTER=22#Length of cepstral liftering#The End列表1分析配置文件从该配置文件可看出，使用了MFCC（(Mel Frequency Cepstral Coefficient)分析，在TARGETKIND标识符的值的前缀“MFCC”表明了这一点。
对每个信号帧，可提取以下系数：-12个首MFCC系数[C1,…,C12]（因为NUMCEPS=12）-null MFCC系数c0，与帧的总能量成正比（在TARGETKIND中，后缀_0）-13个Delta coefficients，估计首次序[c0,c1,…,c12]派生（在TARGETKIND 中，后缀_D）-13个Acceleration coefficients，估计第二次序[c0,c1,…,c12]派生（在TARGETKIND中，后缀_A）总之，每个信号帧提取39个系数向量。
关于声学分析配置更详细内容参加HTK文档第58-66页（第五章语音输入/输出）３．２源／目标规范一个或多个源/目标文件对（如，原始波形文件/系数文件），可在HCopy命令行中直接指定。
如果要处理大量数据，可使用-S选项。
一般允许指定脚本文件格式为：data/train/sig/yes01.sig data/train/mfcc/yes01.mfccdata/train/sig/yes02.sig data/train/mfcc/yes02.mfccetc...data/train/sig/no01.sig data/train/mfcc/no01.mfccdata/train/sig/no02.sig data/train/mfcc/no02.mfccetc...列表2转换脚本文件可自动生成这样的文本脚本文件（比如使用Perl脚本编辑工具）。
新生成的训练集（.mfcc 文件）存储在data/trail/mfcc/目录下。
更多关于HCopy工具的详细信息参见HTK文档第195页（参考小节HCopy）4HMM定义本指南中，3个声学事件需要使用HMM隐马尔可夫模型建模，即Yes、No、Silence。
每个事件设计一个HMM模型。
第一步，为每个HMM模型选择一个priori结构：-状态数-观察函数的形式（对应每个状态）-状态转换排列这种定义不是一成不变的。
其实并没有固定的规则。
在这里，我们为3个HMM模型选择同一个结构（如图3所示）图3基本结构该模型包含4个活动状态{S2，S3，S4，S5}，开始和结束状态（这里是S1、S6），是非发散状态（无观察函数），仅供HTK用于一些功能的实现。
观察函数b i是带对角矩阵的高斯分布。
状态的可能转换由a ij表示。
在HTK中，HMM模型是通过文本文件来描述的。
如图3一样的HMM模型一般描述如下：~o<VecSize>39<MFCC_0_D_A>~h"yes"<BeginHMM><NumStates>6<State>2<Mean>390.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.00.0<Variance>391.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.01.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.01.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0 1.0<State>3<Mean>390.00.0(...)0.0<Variance>391.0 1.0(...) 1.0<State>4<Mean>390.00.0(...)0.0<Variance>391.0 1.0(...) 1.0<State>5<Mean>390.00.0(...)0.0<Variance>391.0 1.0(...) 1.0<TransP>60.00.50.50.00.00.00.00.40.30.30.00.00.00.00.40.30.30.00.00.00.00.40.30.30.00.00.00.00.50.50.00.00.00.00.00.0<EndHMM>列表3HMM描述文件（原型）~o<VecSize>39<MFCC_0_D_A>文件头，给出系数向量大小（这里是39个系数）、系数类型（MFCC_0_D_A）。